前言
ES最强的的能力就是能做全文检索，在互联网平台或者文档档案平台随处可见，那么ES中数据如何实现读写操作的呢以及ES是如何检索数据的呢，下面文章就揭晓下这些问题。
ES写数据过程
- 客户端选择一个node发送请求，这个node就是协调节点(coordinate node)；
- coordinate node 对document进行路由，将请求转发对应的node(包含 primary shard)
- 实际的node上的primary shard处理请求，然后将数据同步到replica node
- coordinate node如果发现 primary node和所有replica node都搞定之后，就返回响应结果给客户端;
上述可以理解为协调节点对document进行路由转发到其它节点包含主分片，然后主分片进行处理数据同步到副本，最后再由协调节点返回响应结果给客户端。其过程即如下图所示 
ES读数据过程
可以通过doc id来查询，会根据doc id进行hash，判断出来当时把doc id分配到哪个shard上面去，从哪个shard去查询.
- 客户端发送请求到任意一个node，成为coordinate node；
- coordinate node 对doc id进行hash路由，将请求转发到对应node，此时采用随机轮询算法，在primary shard以及所有replica shard中随机选择一个，让读请求负载均衡;
- 接收请求的node返回document给coordinate node;
- coordinate node 返回document给客户端;
ES搜索数据过程
ES最强大的是做全文检索
- 客户端发送请求到一个coordinate node
- 协调节点将搜索请求转发到所有的shard对应的primary shard或者replica shard，即可；
- query phase： 每个shard将自己的搜索结果（其实就是一些doc id）返回给协调节点，由协调节点进行数据的合并、排序、分页等操作，产出最终结果；
- fetch phase：接着由协调节点根据doc id去各个节点上拉取实际的document数据，最终返回给客户端；
说明：写请求是写入 主分片即primary shard，然后同步给所有的replica shard，读请求可以从primary shard或者replica shard读取，采用的随机轮询算法。
ES写数据底层原理
ES写数据过程分析
-
先写入内存buffer，此时buffer中的数据是无法搜索的，同时将数据写入translog日志文件。
如果buffer快满时，或者到一定时间，此时会将内存buffer数据refresh到一个新文件segment file中但是此时数据不是直接进入segment file磁盘文件，而是先进入os cache 此过程就是refresh。
默认每间隔1s钟，es将buffer中数据写入一个新的segment file，即每秒钟会写入一个新的segment file，此时segment file就存储最近1s内buffer中写入数据。
-
如果buffer中无数据，不会执行refresh操作，如果buffer里面有数据，默认1秒钟执行一次refresh操作，输入一个新的segment file中。 操作系统里面，磁盘文件其实都有一个东西，叫做os cache，即操作系统缓存，就是说数据写入磁盘文件之前，会先进入os cache，先进入操作系统级别的一个内存缓存中去。只要buffer中的数据被refresh操作输入os cache中，这个数据就可以被搜索到了。
-
ES是准实时(NRT),全称 near real-time.默认是每隔1秒refresh一次的，所以es是准实时的，因为写入的数据1s之后才能被看到。
可以通过es的restful api或者 java api，手动执行一次 refresh操作，就是手动将buffer中的数据刷入os cache中，让数据立马就可以被搜索到。只要
数据被输入os cache中，buffer 就会被清空了，因为不需要保留buffer了，数据在translog里面已经持久化到磁盘去一份了。
-
重复上面的步骤，新的数据不断进入buffer和translog，不断将buffer数据写入一个又一个新的segment file中去，每次refresh完buffer清空，translog保留。
随着这个过程的推进，translog会变得越来越大。当translog达到一定长度的时候，就会触发commit操作。
-
commit操作发生的第一步，就是将buffer中现有的数据refresh到os cache中去，清空buffer。然后将一个commit point写入磁盘文件，里面标识者这个commit
point 对应的所有segment file，同时强行将os cache中目前所有的数据都fsync到磁盘文件中去。最后清空现有 translog日志文件，重启一个translog，此时commit操作完成。
-
这个commit操作叫做flush。默认30分钟自动执行一次flush，但如translog 过大，也会触发flush。flush操作就对应着commit的全过程，我们可以通过es api，手动执行flush操作，手动将os cache中数据fsync强刷到磁盘上去。
-
执行commit 操作之前，数据要么是停留在buffer中，要么是停留在os cache中，无论是buffer 还是os cache都是内存，一旦这台机器死了，内存中的数据就全丢失。所以需要将数据对应的操作写入一个专门的日志文件translog中，一旦此时机器宕机了，再次重启的时候，es会自动读取translog日志文件中的数据，恢复到内存buffer和os cache。
-
translog其实也是先写入os cache的，默认每隔5秒刷一次到磁盘中去，所以默认情况下，可能有5s的数据会仅仅停留在buffer或者translog文件的os cache中，如果此时机器挂了，会丢失5秒钟的数据。但是这样性能比较好，最多丢5秒的数据。也可以将translog设置成每次写操作必须是直接fsync到磁盘，但是性能会差很多。
-
es第一是准实时的，数据写入1秒后就可以搜索到：可能会丢失数据的。有5秒的数据，停留在buffer、translog os cache 、segment file os cache中，而不在磁盘上，此时如果宕机，会导致5秒的数据丢失。
ES总体写入数据分析
数据先写入内存buffer，然后每隔1s，将数据refresh到 os cache，到了 os cache数据就能被搜索到（所以我们才说es从写入到能被搜索到，中间有1s的延迟）。每隔5s，将数据写入到translog文件（这样如果机器宕机，内存数据全没，最多会有5s的数据丢失），translog达到一定程度，或者默认每隔30min，会触发commit操作，将缓冲区的数据都flush到segment file磁盘文件中。数据写入 segment file之后，同时就建立好了倒排索引 。如下图所示
ES写入数据流程几大特性
-
可靠性
通过Replica和TransLog两套机制保证数据的可靠性。
-
一致性
Lucene中的Flush锁只保证Update接口里面Delete和Add中间不会Flush，但无法保证主分片与副本分片一致。因为如果add之后立即flush，这个时候segment是主分片可见的，但副本分片要落后于主分片。不过最终都会一致。
-
原子性
Add和Delete具有原子性。当部分更新时，使用Version和锁保证更新是原子的
-
实时性
Flush之后的segment对用户可见，最快可配置100ms，可实现near-real-time。特定的查询，直接查TransLog，可实现real-time。
-
隔离性
采用Version和局部锁来保证更新的是特定版本的数据；
-
高效性
- 不需要所有Replica都返回后才能返回给用户，只需要返回特定数目的就行；
- 生成的Segment现在内存中提供服务，等一段时间后才刷新到磁盘，Segment在内存这段时间的可靠性由TransLog保证；
- TransLog可以配置为周期性的Flush，但这个会给可靠性带来影响；
- 每个线程持有一个Segment，多线程时相互不影响，相互独立，性能更好；
- 系统的写入流程对版本依赖较重，读取频率较高，因此采用了versionMap，减少热点数据的多次磁盘IO开销；
ES 删除、更新数据操作原理
如果是删除操作，commit的时候会生成一个 .del文件，里面将某个doc标识为 deleted状态，那么搜索的时候根据 .del文件就知道这个doc是否被删除了。如果是更新操作，就是将原来的doc标识为deleted状态，然后重新写入一条数据。buffer 每refresh一次，就会产生一个segment file，所以默认情况下是1秒钟一个segment file，这样下来segment file会越来越多，此时会定期执行merge。每次merge的时候，会将多个segment file合并成一个，同时这里会将标识为 deleted的doc给物理删除掉，然后将新的segment file写入磁盘，这里会写一个commit point，标识所有新的 segment file，然后打开segment file供搜索使用，同时删除旧的segment file。
底层lucence
简单来说，lucence就是一个jar包，里面包含了封装好的各种建立倒排索引的算法代码。我们用java 开发的时候，引入 lucene jar，然后基于lucene的api去开发就可以了。通过lucene，我们可以将已有的数据建立索引，lucene会在本地磁盘上面，给我们组织索引的数据结果。
倒排索引
在搜索引擎中，每个文档都有一个对应的文档ID，文档内容被标识为一系列关键词的集合，例如文档1经过分词，提取到了20个关键词，每个关键词item都会记录它在文档中出现的次数和出现位置。那么，倒排索引就是关键词到文档ID的映射，每个关键词都对应着一系列的文件，这些文件中都出现了关键词。另外，实用的倒排索引还可以记录更多的信息，比如文档频率信息，表示在文档集合中有多少个文档包含某个词。
- 倒排索引中的所有词项对应一个或多个文档
- 倒排索引中的词项根据字典顺序升序排列